Qwen3 TTS per voci di personaggi adulti: preset, istruzioni e costi

Un messaggio vocale di un personaggio immaginario funziona quando la voce corrisponde alla persona e la lettura corrisponde al momento. Qwen3 TTS trasforma il copione di un personaggio adulto in un unico MP3 a voce singola e tu guidi la lettura con una nota in linguaggio semplice. L'attività SpicyAPI ha nove voci preset e costa $0.068 per 1.000 caratteri di testo, con un minimo di 100 caratteri per richiesta. In base ai nostri test di settembre 2026, il vocabolario adulto esplicito nei passaggi diretti e in stile audiobook è stato letto così com'è. Usala per messaggi vocali registrati e narrazione; questa soluzione non ha clonazione della voce né streaming dal vivo.

Cosa include l'attività ospitata

Seleziona il preset e genera dalla pagina dell'attività Qwen3 TTS. Anche il repository del team Qwen copre le varianti CustomVoice, Base (clonazione) e VoiceDesign. Sono offerte separate: l'argomento ref_audio o speaker di una libreria non è un input qui, dove il campo voce è voice_id.

Scegli una voce per il copione che hai

Ogni preset può leggere ogni lingua supportata, ma il team Qwen consiglia la lingua madre della voce per la qualità migliore. Per un personaggio maschile inglese, inizia da Ryan o Aiden. Per un personaggio femminile inglese, prova Serena o Vivian; l'insieme non ha voci femminili con inglese come lingua madre, quindi provale prima di decidere.

Ascolta un esempio di messaggio vocale con Serena: una nota notturna « richiamami », letta con un'istruzione ansimante e maliziosa.

Provala prima nel Playground

Apri la pagina dell'attività Qwen3 TTS e usa la scheda Playground:

1. In Text incolla solo le parole da sentire (lo script di esempio della pagina è un buon primo test).
2. Scegli un nome in Voice (Serena per impostazione predefinita).
3. Scrivi la nota di lettura in Delivery instructions.
4. Lascia Language su Auto-detect, oppure scegli l'inglese per uno script in inglese se il rilevamento è ambiguo.
5. Esegui, poi riproduci il risultato in Output e scarica l'MP3.

Una persona adulta fittizia dopo un appuntamento: Text « I had a good time tonight. More than I expected, actually. Call me tomorrow? I'd like to see you again. », Voice Serena, Delivery instructions « Calda e leggermente timida, parlando piano a un solo ascoltatore adulto. Tieni la domanda finale in tono conversazionale. » Non iniziare il testo con Serena: né con « Read this in a soft voice »: entrambi verrebbero letti. Prova qui due o tre voci e note prima di scrivere il codice; il prezzo è mostrato prima dell'esecuzione.

language accetta auto, zh, en, de, fr, es, it, pt, ru, ja e ko. Sceglie come viene letto il tuo testo; non traduce.

Poi richiamala dal codice

Installa l'SDK Python (pip install spicyapi), imposta SPICY_API_KEY nell'ambiente ed esegui:

import urllib.request
import uuid

from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/qwen-3-tts/text-to-speech",
    input_data={
        "text": "I had a good time tonight. More than I expected, actually. Call me tomorrow? I'd like to see you again.",
        "voice_id": "Serena",
        "language": "en",
        "instructions": "Warm and slightly shy, speaking quietly to one adult listener. Keep the final question conversational.",
    },
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

urllib.request.urlretrieve(output_assets(final)[0]["url"], "voice-message.mp3")

L'attesa, i nuovi tentativi, i preventivi e gli errori sono nel riferimento dell'SDK Python e nella guida alle attività asincrone.

Oppure lascia che lo esegua un Agent

Se un assistente deve dare voce alle tue battute, dagli la CLI o il server MCP. Entrambi mostrano il prezzo e ti chiedono conferma prima di una chiamata a pagamento. La Skill aggiunge istruzioni sopra l'uno o l'altro.

• CLI. spicyapi esegue un'attività da terminale (npx @spicyapi/cli funziona senza installazione). Metti lo stesso oggetto input in input.json:

``bash spicyapi tasks create --model alibaba/qwen-3-tts/text-to-speech \ --input-file input.json --idempotency-key voice-message-take-1 --wait ``

• Server MCP. Aggiungi il server MCP al tuo assistente e chiedi: «Leggi questa battuta con Qwen3 TTS, Serena, calda e leggermente timida.» Chiama spicyapi_task_create (che si ferma per la conferma del prezzo) e poi spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill installa la Agent Skill, che insegna a un assistente di programmazione a leggere lo schema attuale e a riutilizzare le chiavi di idempotenza. Non può eseguire attività da solo, quindi usala con la CLI o MCP.

Dirigi la stessa battuta in tre modi

Tieni fissi testo e voce e cambia solo la nota. Per « I thought you'd forgotten »:

Cambia una cosa alla volta. « Togli il sussurro » o « più lenta dopo la prima frase » corregge una ripresa; « più emotiva, più umana » no. Se il risultato è troppo teatrale, accorcia la nota a « Lettura conversazionale naturale. »

Può leggere uno script NSFW?

I test hanno coperto un passaggio adulto diretto, un passaggio in cornice audiobook e un passaggio ricco di indicazioni di scena, usando Serena o Ryan con istruzioni di lettura. Le trascrizioni diretta e audiobook corrispondevano allo script parola per parola, vocabolario adulto incluso, e il testo delle istruzioni non è mai stato letto.

Il passaggio ricco di indicazioni ha mantenuto il suo vocabolario adulto ma si è discostato di più dallo script a causa delle vocalizzazioni non verbali. Tratta respiri e risate come qualcosa da provare, non da controllare: se una scena dipende da uno, genera prima quel momento e non dare per scontato che la sintassi con parentesi quadre o tonde di un altro modello funzioni qui.

Componi una scena con due personaggi

Una richiesta dà una voce. Per due adulti immaginari, genera ogni turno separatamente:

I tutorial ComfyUI con più voci analizzano i nomi dei parlanti, le pause e le sovrapposizioni in un nodo aggiuntivo; quei tag non sono campi di input qui. Togli i nomi dal testo parlato, invia ogni turno con il proprio voice_id, poi imposta le pause nel tuo editor. Inizia con una pausa breve e sposta il secondo clip finché la risposta non suona naturale. Mettere entrambi i nomi in un solo campo text ti dà un preset che legge le etichette ed entrambe le battute. Per scrivere tutto lo scambio e unire i clip automaticamente, vedi il flusso di lavoro di dialogo Seed Speech 2.0; il suo script di join funziona con qualsiasi voce.

Per una lunga storia a voce singola, dividi prima di 2.000 caratteri sui confini di frase o paragrafo e riusa la stessa voce e la stessa nota per ogni sezione. Per sostituire una frase, rigenera l'intera frase circostante e taglia sulle pause vicine, così volume e ritmo restano coerenti.

L'addebito minimo conta per le risposte brevi

Il costo è max(text characters, 100) × $0.068 / 1,000, contando spazi e punteggiatura. Le istruzioni sono gratuite.

Dieci risposte separate da 40 caratteri costano $0.068, anche se i loro testi sommano solo 400 caratteri; una richiesta di 400 caratteri con la stessa voce costa $0.0272. Unisci la narrazione contigua di una sola voce quando il tuo montaggio lo consente, ma non unire personaggi diversi per evitare il minimo.

Correggi un risultato deludente

Se ti serve la clonazione di una voce caricata o una conversazione dal vivo, scegli un'attività che le esponga; per confrontare altri modelli vocali per script adulti, vedi il nostro confronto delle API text-to-speech.